重新思考零样本时间序列分类：从任务特定分类器到基于上下文推理
机器学习
2026-02-03 v1 人工智能
摘要
时间序列基础模型（TSFMs）的零样本分类评估通常使用冻结编码器 followed by 任务特定分类器。然而，这种做法违反了零样本部署的无训练假设，由于分类器依赖的训练选择导致评估偏差。为解决此问题，我们提出 TIC-FM（Time Series In-Context Learning Framework），一种基于上下文学习的框架，将标记训练集作为上下文，在不进行参数更新的情况下对所有测试实例进行单次前向传播预测。TIC-FM 将时间序列编码器和轻量级投影适配器与分掩码潜在记忆 Transformer 配对。我们进一步提供了理论依据，表明基于上下文的推理可以包含已训练的分类器，并且可以在单次前向传播中模拟梯度基础的分类器训练。在 128 个 UCR 数据集上的实验显示，方法在准确率上表现出色，在极端低标签情况下的一致性提升突出了无训练迁移能力。
引用
@article{arxiv.2602.00620,
title = {Rethinking Zero-Shot Time Series Classification: From Task-specific Classifiers to In-Context Inference},
author = {Juntao Fang and Shifeng Xie and Shengbin Nie and Yuhui Ling and Yuming Liu and Zijian Li and Keli Zhang and Lujia Pan and Themis Palpanas and Ruichu Cai},
journal= {arXiv preprint arXiv:2602.00620},
year = {2026}
}